TensorFlow多物體檢測（Object Detection API）

下載安裝

1. 首先，下載tensorflow/models,命令：git clone https://github.com/tensorflow/models.git;
2. 編譯proto文件，從models/research執行以下命令：protoc object_detection/protos/*.proto --python_out=.，windows系統需要逐個編譯。
   安裝protobuf，從https://github.com/google/protobuf/releases下載編譯好的文件包protoc-*-win32.zip。然後，解壓並把bin加入到可執行目錄或系統的path路徑。

問題記錄

1. windows環境下，object_detection模塊Not found的問題。
   標準做法是，在models/research目錄下執行export PYTHONPATH=$PYTHONPATH:`pwd`:`pwd`/slim。而在windows環境中需要在Anaconda安裝目錄的Lib目錄中添加tensorflow_model.pth文件，文件內容爲：

F:\tensorflow\models\research
F:\tensorflow\models\research\slim

1. 安裝完成測試時，serialized_options參數問題。
   測試命令（在models/research目錄下執行）：python .\object_detection\builders\model_builder_test.py
   問題文件：models\research\object_detection\protos\grid_anchor_generator_pb2.py
   該文件是grid_anchor_generator.proto使用protoc object_detection\protos\grid_anchor_generator.proto --python_out=.編譯得出的。該問題是，使用了多餘的serialized_options=None全局替換爲空即可（從文件中刪除所有的）。

啓動，圖片目標檢測

在models/research/object_detection目錄下，打開cmd窗口，輸入 jupyter notebook，打開瀏覽器窗口；
頁面找到object_detection_tutorial.ipynb示例文件，單擊進入；
使用shift + enter依次執行命令，最後看到圖片檢測效果：

檢測自己的圖片

把圖片放置在models\research\object_detection\test_images目錄中，比如新圖片爲image3.jpg。
把圖片檢測的代碼單獨提取出來，定義爲 detect_image(image_path):

def detect_image(image_path):
  image = Image.open(image_path)
  # the array based representation of the image will be used later in order to prepare the
  # result image with boxes and labels on it.
  image_np = load_image_into_numpy_array(image)
  # Expand dimensions since the model expects images to have shape: [1, None, None, 3]
  image_np_expanded = np.expand_dims(image_np, axis=0)
  # Actual detection.
  output_dict = run_inference_for_single_image(image_np, detection_graph)
  # Visualization of the results of a detection.
  vis_util.visualize_boxes_and_labels_on_image_array(
      image_np,
      output_dict['detection_boxes'],
      output_dict['detection_classes'],
      output_dict['detection_scores'],
      category_index,
      instance_masks=output_dict.get('detection_masks'),
      use_normalized_coordinates=True,
      line_thickness=8)
  plt.figure(figsize=IMAGE_SIZE)
  plt.imshow(image_np)

執行檢測命令detect_image('test_images/image3.jpg)，得到如下的檢測結果：

模型對比

1. MODEL_NAME = 'ssd_mobilenet_v1_coco_2017_11_17'
   
2. MODEL_NAME = 'faster_rcnn_resnet101_coco_11_06_2017'
   
   

faster的精度明顯更高，檢測到的物體種類更多，花費的時間更長。
更換模型，修改模型的名字，重新下載新的模型，再重新加載到網絡中。